Wan 3.0 API

Wan 3.0 Referências para vídeo monta uma cena nova de 2 a 30 segundos a partir das referências que você envia: até dez imagens, cinco clipes de vídeo e cinco clipes de áudio em uma única requisição. É preciso enviar pelo menos um entre reference_image_urls, reference_video_urls, reference_audio_urls, reference_file_url e reference_link_url, e o prompt é opcional. Use quando um rosto, uma peça de roupa, um local ou uma voz precisa continuar igual em cenas renderizadas separadamente — algo que o text-to-video não faz, porque inventa um rosto novo a cada execução. A saída é 480p, 720p ou 1080p, com 720p como padrão.

Escolha o modo pelo material inicial

Imagens para identidade, figurino e cenário

reference_image_urls aceita de 1 a 10 imagens — placas de personagem, de figurino e de cenário — em JPEG, PNG sem transparência, BMP ou WEBP, de 240 a 8000 pixels por lado e até 20 MB cada. Imagens de referência não são cobradas. Dê nome a cada uma no prompt; caso contrário, o modelo faz uma média e cria um sujeito que não se parece com nenhuma delas.

Vídeo para o movimento, áudio para a voz

Vídeos de referência trazem movimento e estilo de câmera, não um rosto: até cinco clipes MP4 ou MOV, cada um com 1 a 15 segundos, 15 segundos no total, com pelo menos 16 fps. O áudio de referência traz uma voz, uma leitura de fala ou o som ambiente de uma sala: até cinco clipes WAV ou MP3, também com 15 segundos no total. Esses limites são verificados durante a geração, não quando a tarefa é aceita, então meça seus clipes antes de enviar.

Um orçamento de 30 segundos dividido com a saída

Os segundos de vídeo de referência são cobrados junto com a saída, e a duração dos vídeos de referência somada a duration_seconds não pode passar de 30 segundos. Uma referência de movimento de 12 segundos deixa, portanto, no máximo 18 segundos de saída. Imagens e áudio de referência não entram nesse orçamento.

Renderizar de novo a mesma atriz em um ambiente conhecido

O exemplo de personagem e ambiente envia duas imagens e dá nome a elas no prompt: "Image 1 is the character — keep her face, hair and the black slip dress exactly. Image 2 is the room." Em seguida ela atravessa até a janela em um travelling lateral lento, 8 segundos em 720p com a semente 771120. Manter as duas placas e a semente fixas e mudar só a linha de ação é o formato de requisição para trabalho em episódios.

Uma apresentadora com a voz certa

O exemplo do monólogo combina uma imagem para o rosto e o figurino da apresentadora com uma referência de áudio para a voz dela. O prompt separa esses papéis e depois descreve um plano médio fixo em uma mesa de cozinha com luz da manhã, 10 segundos em 720p. Apresentadores, narradores e personagens recorrentes que precisam soar iguais em todas as tomadas seguem esse padrão.

# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${SPICY_IDEMPOTENCY_KEY:-$(uuidgen)}"
curl -X POST https://api.spicyapi.ai/api/v1/jobs/createTask \
  -H "Authorization: Bearer $SPICY_API_KEY" \
  -H "Content-Type: application/json" \
  -H "Idempotency-Key: $SPICY_IDEMPOTENCY_KEY" \
  -d '{
  "model": "alibaba/wan-3.0/reference-to-video",
  "input": {
    "aspect_ratio": "16:9",
    "duration_seconds": 5,
    "prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
    "reference_image_urls": [
      "https://example.com/reference.png"
    ],
    "resolution": "720p"
  }
}'

# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
  -H "Authorization: Bearer $SPICY_API_KEY"

Consulte a referência da API para autenticação, esquema completo, polling e tratamento de erros.